OpenImaj 教程和 EigenFaces

Question

我不知道这是否是一个相关的论坛，但我一直在这里关注这个教程：

http://www.openimaj.org/tutorial/eigenfaces.html

出于某种原因，我还不够清楚。有些事情我不明白。它在某一时刻说，

实现特征脸识别器的第一步是使用训练图像来学习 PCA 基础，我们将使用它来将图像投影到可用于识别的特征中。 EigenImages class 需要一个图像列表，从中学习基础（即每个人的所有训练图像），还需要知道我们希望我们的特征有多少维度（即有多少特征向量对应于要保留的最大特征值）：

它开始编写这段代码：

List<FImage> basisImages = DatasetAdaptors.asList(training);
int nEigenvectors = 100;
EigenImages eigen = new EigenImages(nEigenvectors);
eigen.train(basisImages);

所以我不明白。 train()方法训练到底是什么？据我了解，它只是应用 PCA，对吗？在我看来，训练总是与感知器或另一个神经网络或带参数的算法相关联。

我还需要一些帮助来理解练习 13.1.1，

13.1.1。练习 1：重建人脸

Eigenfaces 算法（特别是从 PCA 过程）提取的特征中一个有趣的属性是可以根据特征重建原始图像的估计值。尝试通过如上所述构建 PCA 基础来执行此操作，然后从测试集中提取随机选择的面部特征。使用 EigenImages#reconstruct() 将特征转换回图像并显示它。您需要规范化图像 (FImage#normalise()) 以确保其正确显示，因为重建可能会给出大于 1 或小于 0 的像素值。

示例中有一些代码已经提取了特征：

    Map<String, DoubleFV[]> features = new HashMap<String, DoubleFV[]>();
    for (final String person : training.getGroups()) {
        final DoubleFV[] fvs = new DoubleFV[nTraining];

        for (int i = 0; i < nTraining; i++) {
            final FImage face = training.get(person).get(i);
            fvs[i] = eigen.extractFeature(face);
        }
        features.put(person, fvs);
    }

所以如果我只是这样称呼：

eigen.reconstruct(fvs[i]).normalise() -> returns 我可以显示的图像，它看起来像一张普通的脸，但尺寸真的很小（这正常吗？）。

应该做吗？

谢谢。

Answer 1

第一个问题

PCA 有两个阶段：

学习（“训练”）将数据投影到低维空间的线性变换 space。这样做的方式是，转换后的 space 中的第一个轴（主轴）位于“训练”数据中方差最高的方向；第二个轴在与第一个轴成直角的最大方差方向上；等等。
将学习到的变换应用于数据（“投影”数据）以降低其维度。

您会发现大多数关于 PCA 的描述都假设您有一些数据并且您只想降低其维度。更具体地说，假设这两个步骤中的数据是相同的。然而，情况并非如此。您可以对具有代表性的数据样本执行步骤 1 以学习转换，然后将步骤 2 应用于不同的数据（尽管要使结果有意义，该数据应来自同一人群）。

对于 Eigenfaces，您可以从部分或全部“训练”面部数据中学习 PCA 变换，然后使用变换投影所有训练数据并训练监督分类器。当你想测试系统时，你使用学习到的 PCA 变换将一个以前看不见的数据项投影到低维 space，然后将其传递给分类器。

第二个问题

eigen.reconstruct(fvs[i]).normalise() 是正确的做法。重建的图像将具有与用于 training/testing 的所有图像相同的尺寸（特征脸方法的一个限制是所有输入必须具有相同的尺寸）。在本教程中，AT&T 人脸数据集包含分辨率相对较低的图像（92x112 像素）。

OpenImaj 教程和 EigenFaces

OpenImaj Tutorial and EigenFaces

java

image-processing

openimaj

第一个问题

第二个问题